MVS2D: 基于注意力驱动的 2D 卷积的高效多视图立体重建
DeepMVS 是一种用于多视图立体重建的深度卷积神经网络 (ConvNet),它可以对任意数量的姿态图像进行处理以预测高质量的视差图,其有效的信息聚合方法和采用 VGG-19 网络的多层特征激活实现了优异的效果。
Apr, 2018
本文提出了一种用于计算多视图深度图的端到端深度学习框架 (MVSNet),首先提取深度视觉图像特征,然后利用不同 iable homography 变形构建 3D 成本体积,并使用 3D 卷积对初始深度图进行规则化和回归,最终与参考图像相结合生成最终输出,其通过引入基于方差的成本度量来适应任意 N-view 输入, 其表现优于现有同类方法并能很好地泛化于室内室外数据。
Apr, 2018
提出一种高效的多视角立体(MVS)网络以实现多视角图像的三维重建和深度推断,其采用策略推断出粗到细的深度图,其中引入自注意力层与相似度测量来生成新的代价体以进行深度图细化,最终实验表明该模型优于大多数 SOTA 方法。
Nov, 2020
本研究提出基于递归神经网络的可扩展多视图立体(MVS)网络,通过递归因子单元(GRU)减少内存消耗,实现对高分辨率场景的高效重建。实验结果显示该方法在最近的 MVS 基准上取得了最先进的性能并在多个大规模场景上显示了伸缩性。
Feb, 2019
本研究使用深度学习等技术,提出了一个基于点到表面距离的补丁感知(patch-awared)多视角立体重建(multi-view stereo)方法,能够更好地重建纹理缺失区域和表面边界,并且经过实验证明,在 DTU 和 Tanks & Temples 数据集上达到了最佳重建效果。
Apr, 2023
本文介绍了一种基于无监督学习的多视图深度图像学习方法,可以从多个视角的输入图像中学习深度和遮挡图像,并在训练和测试阶段都强制实施多视图深度一致性,进而为实际场景下处理遮挡提供更好的鲁棒性。
Aug, 2019
该论文提出了一种在线多视角深度预测方法,使用 ConvLSTM cell 实现对过去一定量信息的压缩,并考虑了时间步之间的视点变化,通过对先前的深度预测进行位移实现细胞的隐藏态的传播。该方法在实时性能的基础上带来了显著的深度预测的提高,并在数百个室内场景中表现出了优异的状态,代码详见 https://thisURL。
Dec, 2020
Point-MVSNet 是用 point clouds 直接处理目标场景的深度学习网络,通过将 3D 几何先验和 2D 纹理信息融入特征增强的 point cloud 中,实现了在 multi-view stereo 中更高的精度、更高的计算效率和更大的灵活性。
Aug, 2019
本论文提出了一种基于 RayMVSNet 的多视角深度学习,通过直接优化沿每个摄像头光线的深度值来降低了计算和存储的成本,其处理基于转换器特征进行的串行建模是传统多视角立体匹配的重要方法,并且在 DTU 和 Tanks & Temples 数据集上的评估结果表明其优于之前所有的学习方法。
Apr, 2022